第 14 页 —— 统计分析的算法交易文章

我们继续研究无监督学习算法。这次我建议我们讨论自动编码器应用于递归模型训练时的特性。

梯度下降在训练神经网络和许多机器学习算法中起着重要作用。它是一种快速而智能的算法，尽管它的工作令人印象深刻，但它仍然被许多数据科学家误解，我们来看看有关它的全部。

在上一篇文章中，我们已熟悉了自动编码器算法。像其它任何算法一样，它也有其优点和缺点。在其原始实现中，自动编码器会尽可能多地将对象与训练样本分开。这次我们将讨论如何应对它的一些缺点。

我们继续研究无监督学习算法。一些读者可能对最近发表的与神经网络主题的相关性有疑问。在这篇新文章中，我们回到了对神经网络的研究。

价格走势模型及其主要规定（第 1 部分）：概率价格域演化方程与发生的可观测随机游走

本文研究的是概率价格域演化方程，与即将到来的价格尖峰准则。它还揭示了图表上价格数值的本质，以及这些数值随机游走的发生机制。

我们继续研究关联规则。在前一篇文章中，我们讨论了这种类型问题的理论层面。在本文中，我将展示利用 MQL5 实现 FP-Growth 方法。我们还将采用真实数据测试所实现的解决方案。

作为本系列文章的延续，我们来研究无监督学习方法中的另一类问题：挖掘关联规则。这种问题类型首先用于零售业，即超市等，来分析市场篮子。在本文中，我们将讨论这些算法在交易中的适用性。

决策树模仿人类的方式针对数据进行分类。我们看看如何构建这棵树，并利用它们来分类和预测一些数据。决策树算法的主要目标是将含有杂质的数据分离成纯节点或靠近节点。

今天的交易者都是一位哲学家，他几乎总是（有意识地或无意识地）寻找新的思路，尝试它们，选择修改或抛弃它们；这是一个需要付出相当勤奋程度的探索过程。这显然会花费交易者高昂的时间，且需要避免错误。本系列文章将提出，MQL5 向导应该是交易者的支柱。为什么呢？因为交易者不仅经由 MQL5 向导组装他的新想法来节省时间，而且大大减少了重复编码的错误；他最终会把精力集中在交易哲学的几个关键领域。

机器学习中的元模型：很少或无人为干预的情况下自动创建交易系统 — 模型自行决定何时以及如何进行交易。

在本部分中，我们将继续讨论人工智能模型。即，我们研究无监督学习算法。我们已经讨论了众多聚类算法之一。在本文中，我将分享一种解决与降维相关问题的方法。

本文提供了数学上严格的价格运动和市场功能理论的基础。到目前为止，我们还没有任何经过严格数学论证的价格走势理论。取而代之的是，我们不得不基于经验假设进行处理，即价格在某种形态之后以某种方式移动。当然，这些假设既没有得到统计数据的支持，也没有得到理论的支持。

在本文中，我将尝试运用我们的逻辑模型，基于美国经济的基本面，来预测股市崩盘，我们将重点关注 NETFLIX 和苹果。利用 2019 年和 2020 年之前的股市崩盘，我们看看我们的模型在当前的厄运和低迷中会表现如何。

在本文中，我们将继续研究如何从 web 获取数据，并在智能系统中使用它。这次我们将着手开发一个替代系统。

在上一篇文章中，我们为数据聚类创建了一个类。在本文中，我想分享在解决实际交易任务时应用所获结果会遇到的可能变体。

这一次，我们的模型是由矩阵构建的，它更具灵活性，同时它允许我们构建更强大的模型，不仅可以处理五个独立变量，但凡我们保持在计算机的计算极限之内，它还可以处理更多变量，这篇文章肯定会是一篇阅读起来很有趣的文章。

我们继续研究聚类方法。在本文中，我们将创建一个新的 CKmeans 类来实现最常见的聚类方法之一：k-均值。在测试期间，该模型成功地识别了大约 500 种形态。

掌握如何从网络向智能交易系统输入数据并非那么轻而易举。如果不了解 MetaTrader 5 提供的所有可能性，就很难做到这一点。

我的上一篇文章已经发表一年多了。这令我有了大量时间考虑修改思路和发展新方法。在这篇新文章中，我想转移一下以前使用的监督学习方法。这次我们将深入研究无监督学习算法。特别是，我们将考虑一种聚类算法 — k-均值。

如何通过 MetaTrader 5 访问在线数据？互联网上有很多网站，提供海量信息。您需要知道的是，在哪里查找、以及如何才能最好地利用这些信息。

数据分类对于算法交易者和程序员来说是至关重要的。在本文中，我们将重点关注一种分类逻辑算法，它有帮于我们识别“确定或否定”、“上行或下行”、“做多或做空”。

我们作为交易员，现在是时候基于数字所言来培训我们的系统，并自行制定决策了。尽管我们的眼睛看不到，但我们的勇气让我们相信，这是世界前进的方向，所以，让我们顶着波浪的方向移动。

Logger 类的实现能够统一和结构化打印到智能系统栏的日志消息。连接到 Seq 日志收集和分析系统。在线监视日志消息。

本文针对货币数据进行了一次分析，从而能更好地理解为什么智能交易系统在某些时段表现良好，而在其它时段表现不佳。

投资回报率是投资者和萌新交易员用来分析交易绩效的最明显指标。专业交易者会采用更可靠的工具来分析策略，比如夏普（Sharpe）比率和索蒂诺（Sortino）比率等。

在本文中，我们将研究购买智能交易系统时应该注意的一些要点。我们还将寻求提升盈利的方法，从而明智地花钱，并从付出中获取盈利。此外，读完本文之后，您会发现，即便使用简单免费的产品也有可能赚到钱。

在本文中，我们将研究如何建立所有优化通测的图形，以及选择最优结果的自定义准则。我们还将看到如何利用网站上发表的文章和论坛评论，在几乎不了解 MQL5 的情况下创建所需的解决方案。

在本文中，我决定进行一项研究，探讨将多重状态系统简化为双重状态系统的可能性。本文的主要目的是分析并推导出有用的结论，这些结论也许有助于基于概率论的可伸缩交易算法的深入发展。当然，这个话题会涉及到数学知识。不过，根据之前文章的经验，我认为广谱信息比细节作用更大。

在本文中，我决定重点阐述著名的伯努利（Bernoulli）规划案，并展示如何用它来描述与交易相关的数据数组。所有这些将被用来创建一个自适应的交易系统。我们还将寻找一个更通用的算法，一个特例是伯努利公式，并查找能够运用它的应用。

本文旨在教导读者如何从头开始采用 MQL4/5 语言构建深度神经网络。

多层感知器和反向传播算法（第二部分）：利用 Python 实现并与 MQL5 集成

有一个 Python 程序包可用于开发与 MQL 的集成，它提供了大量机会，例如数据探索、创建和使用机器学习模型。集成在 MQL5 内置的 Python，能够创建各种解决方案，从简单的线性回归、到深度学习模型。我们来看看如何设置和准备开发环境，以及如何使用一些机器学习函数库。

一款能为您报告经纪商平台出价/要价（Bid/Ask）水平的指标。现在我们可以利用 MT5 的即时报价数据来分析近期的历史真实平均买卖点差是多少。您不需要查看当前点差，因为若您同时显示出价和要价指示线时，该值已出示。

早前所研讨主题的逻辑延续，即针对交易任务开发多功能数学模型。在本文中，我将从头开始讲述与分形数学模型开发相关的整个过程。这个模型应成为一个重要的构建模块，且其是多功能和通用的。它将为我们遵循该思路深入开发奠定理论基础。

在本文中，我们将继续研究分形，并会特别留意总结所有材料。为此，我将尝试把所有早期开发归纳为一个紧凑的形式，这对于交易中的实际应用来说将是方便和易于理解的。

更好的程序员（第 02 部分）：停止做这 5 件事变为一名成功的 MQL5 程序员

对于任何想要提高编程职业生涯的人来说，这是一篇必读文章。本系列文章旨在尽最大可能令您成为最佳程序员，无论您有多少经验。研讨的思路适用于 MQL5 编程萌新和专业人士。

在本系列文章中，我们将尝试找寻概率论的实际运用来描述交易和定价过程。在首篇文章中，我们将研究组合数学和概率论的基础知识，并将分析如何在概率论的框架中应用分形的第一个例子。

这是研讨算法交易框架中逆转形态相关的系列文章中的首篇。我们将从最有趣的形态家族开始，它们源自双顶和双底形态。

聚类分析是人工智能最重要的元素之一。在本文中，我尝试应用指标斜率的聚类分析来获得阈值，据其判定行情是横盘、亦或跟随趋势。

本文所提供的技术讲述，旨在提高任何自动交易系统的有效性。它简要解释了这个思路，以及它的基本原理、可能性和缺点。

本文介绍了应用于网格和马丁格尔交易的机器学习技术。令人惊讶的是，这种方法在全球网络中难觅踪迹。阅读过本文之后，您将能够创建自己的交易机器人。

神经网络变得轻松（第二十二部分）：递归模型的无监督学习

数据科学与机器学习（第 06 部分）：梯度下降

神经网络变得轻松（第二十一部分）：变分自动编码器（VAE）

神经网络变得轻松（第二十部分）：自动编码器

价格走势模型及其主要规定（第 1 部分）：概率价格域演化方程与发生的可观测随机游走

神经网络变得轻松（第十九部分）：使用 MQL5 的关联规则

神经网络变得轻松（第十八部分）：关联规则

数据科学和机器学习（第 05 部分）：决策树

您应该知道的 MQL5 向导技术（第 01 部分）：回归分析

机器学习和交易中的元模型：交易订单的原始时序

神经网络变得轻松（第十七部分）：降低维度

价格走势模型及其主要规定（第 1 部分）：最简单的模型版本及其应用

数据科学和机器学习（第 04 部分）：预测当前股市崩盘

从头开始开发智能交易系统（第 17 部分）：访问 web 上的数据（III）

神经网络变得轻松（第十六部分）：聚类运用实践

数据科学与机器学习（第 03 部分）：矩阵回归

神经网络变得轻松（第十五部分）：利用 MQL5 进行数据聚类

从头开始开发智能交易系统（第 16 部分）：访问 web 上的数据（II）

神经网络变得轻松（第十四部分）：数据聚类

从头开始开发智能交易系统（第 15 部分）：访问 web 上的数据（I）

数据科学与机器学习（第 02 部分）：逻辑回归

数据科学与机器学习（第 01 部分）：线性回归

来自专业程序员的提示（第三部分）：日志。连接到 Seq 日志收集和分析系统

一项智能交易系统失败原因分析

交易中的数学：夏普（Sharpe）和索蒂诺（Sortino）比率

从市场里选择智能交易系统的正确途径

优化结果的可视化评估

针对交易的组合数学和概率论（第五部分）：曲线分析

针对交易的组合数学和概率论（第四部分）：伯努利（Bernoulli）逻辑

从头开始采用 MQL 语言进行深度神经网络编程

多层感知器和反向传播算法（第二部分）：利用 Python 实现并与 MQL5 集成

MetaTrader 5 中的出价/要价（Bid/Ask）点差分析

针对交易的组合数学和概率论（第三部分）：第一个数学模型

针对交易的组合数学和概率论（第二部分）：通用分形

更好的程序员（第 02 部分）：停止做这 5 件事变为一名成功的 MQL5 程序员

针对交易的组合数学和概率论（第一部分）：基础知识

形态与示例（第一部分）：多顶

聚类分析（第一部分）：精通指标线的斜率

组合剥头皮：分析过去的交易来提升未来交易的成效

网格和马丁格尔交易系统中的机器学习。您敢为其打赌吗？